arXiv cs.AI· Minjong Cheon·· 11 小时前AI 评分52
Rescene：用冻结天气模型实现稳定的百年气候模拟
Rescene: stable century-long climate emulation from a frozen weather model
AI 导读
Rescene 是一个仅 0.4M 参数的包装器，把冻结的 1.5°、6 小时、69 变量天气模型改造成随机气候模拟器。100 年 8 成员运行未检测到漂移（每 100 年 -0.004 ± 0.014 K），2022 测试年 16 成员集合的 spread/skill 在 Z500、T2m、MSLP 上分别为 0.89、0.97、0.93。
正文 · AI 翻译
摘要：机器学习天气模型目前在中期预报上已达到或超过业务数值预报水平，但若让其自由运行数年，便会出现漂移、发散或失去变率，而专门的气候模拟器训练成本高昂。本文提出 Rescene，一个仅含 0.4 M 参数的包装器，可将一个冻结的 1.5$^\circ$、6 小时分辨率、69 变量的天气模型转变为随机气候模拟器。一个确定性的慢时钟将冻结模型锚定到日历气候态，而一个带限 AR(1) 扰动（其谱包络固定为观测到的异常谱）则恢复了锚定过程所移除的天气。一次 100 年、8 成员的 Rescene 运行未检测到漂移（每 100 年 $-0.004 \pm 0.014$ K），且在 2022 测试年上，16 成员集合是校准的（Z500、T2m 和 MSLP 的离散度/技巧分别为 0.89、0.97 和 0.93），在调参年上温带天气尺度振幅为 ERA5 的 97%。自由运行再现了逐日变率的地理分布（Z500 的图案相关系数为 0.83）以及观测到的阻塞频率的 71%，而仅用确定性包装器则完全没有阻塞。对冻结算子的干预显示出尺度局部的、近似线性的响应，其中 Z500 扰动每 6 小时向更大尺度增长的程度比向更小尺度增长高出 6--14 倍。所有常数均在一个训练年上依据事先声明的规则拟合，并且我们表明常见的评估捷径会高估变率和技巧。Rescene 使现有天气模型可用于世纪尺度的集合模拟，且训练成本可忽略不计。
| 评论： | 24 页，5 幅图，1 张表；补充信息含 12 幅图和 3 张表。一个更短的版本已被 NeurIPS 2026 机器学习应对气候变化研讨会接收 |
| 主题： | 大气与海洋物理（physics.ao-ph）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2608.09971 [physics.ao-ph] |
| （或 arXiv:2608.09971v2 [physics.ao-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.09971 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Minjong Cheon [查看邮箱]
[v1]
2026 年 7 月 30 日星期四 09:42:39 UTC（4,478 KB）
[v2]
2026 年 10 月 14 日星期三 23:27:12 UTC（6,092 KB）
来源：arXiv cs.AI · arxiv.org